Produziert von: Science Popularization China Autor: Luan Chunyang (Institut für Physik, Tsinghua-Universität) Hersteller: China Science Expo „Quantencomputing“ und „künstliche Intelligenz“ sind die beiden „trendigsten“ Begriffe in der aktuellen Technologiebranche. ChatGPT, das im Jahr 2023 populär wurde, wird aufgrund seiner intelligenten Echtzeit-Interaktion mit Menschen als „universeller Werkzeugkasten“ bezeichnet und hat erneut einen Boom im Bereich der künstlichen Intelligenz ausgelöst. Auch im Bereich der Quantencomputertechnologie sind viele spannende Ergebnisse zu verzeichnen. So wurde beispielsweise der Quantencomputer „Sycamore“ weiter verbessert und seine Rechenleistung übertrifft die aller aktuellen klassischen Supercomputer bei weitem. Diagramm zum Quantencomputing (Bildquelle: Veer-Fotogalerie) Wenn wir also Quantencomputing und künstliche Intelligenz kombinieren und die Superrechenleistung von Quantencomputern nutzen, um das Lernen und die Entwicklung künstlicher Intelligenz zu beschleunigen und zu verbessern, wäre es dann nicht möglich, den intelligenten Quantencomputer „MOSS“ aus dem Film zu erschaffen? In ähnlicher Weise sollte die Technologie der künstlichen Intelligenz auch in der Lage sein, Quantencomputer bei der Optimierung der Lösungen für bestimmte komplexe Probleme zu unterstützen und das enorme Potenzial des Quantencomputings voll auszuschöpfen. Tatsächlich deckt sich diese Vorstellung mit der von Informatikern und Quantenphysikern. Die Kombination traditioneller künstlicher Intelligenztechnologie mit Quantencomputern ist Realität geworden und für diese Kombination gibt es auch einen speziellen Begriff: Quanten-Künstliche Intelligenz (QAI). Es kann einen enormen Anwendungswert von „1+1>2“ in Bereichen wie Algorithmusoptimierungsproblemen, natürlicher Sprachverarbeitung, Bilderkennung und wissenschaftlicher Grundlagenforschung haben. Wie schwache KI stärker wird Ich glaube, dass sich einige Freunde daran gewöhnt haben, chatGPT zu verwenden, um verschiedene kleine Dinge im täglichen Leben zu erledigen, aber es hat immer noch viele Fehler, die die Leute zum Lachen und Weinen bringen. Dies liegt daran, dass seine Intelligenz auf vorkompilierten Computeralgorithmen und -programmen beruht, die riesige Datenmengen analysieren und verarbeiten, um Entscheidungen zu treffen. Dies führt zu erheblichen Einschränkungen bei den Berechnungen und Entscheidungen und lässt sie noch immer in die Kategorie der „schwachen künstlichen Intelligenz“ fallen. Wie man die derzeitige „schwache künstliche Intelligenz“, die nur bestimmte Probleme lösen kann, weiter zu einer „starken künstlichen Intelligenz“ weiterentwickeln kann, die menschliche kreative Arbeit verrichten kann, oder sogar zu einer „super-künstlichen Intelligenz“, die der menschlichen Intelligenz weit überlegen ist, ist seit jeher eines der Themen, mit denen Wissenschaftler ständig forschen. Auf diesem Weg der Erforschung hat die künstliche Intelligenz drei wichtige Entwicklungsphasen durchlaufen. Die 1950er und 1960er Jahre stellten die frühe Erforschungsphase dar, und das Konzept der „künstlichen Intelligenz“ wurde erstmals etabliert. Die 1970er und 1980er Jahre waren eine schwierige Entwicklungsphase. Mit der zunehmenden Rechenleistung von Transistorcomputern wurden Maschinen entwickelt, die auf Fachwissen und spezifischen Regeln basierten und die Entscheidungsfindung menschlicher Experten simulieren konnten – Expertensysteme. Allerdings hat es Schwierigkeiten, komplexe Probleme der realen Welt zu bewältigen und ist keine Allzweckmaschine, wie wir sie heute kennen. Intelligente Computer-„Expertensysteme“ mit Fachwissen und Erfahrung (Bildquelle: Opengate) Die 1990er Jahre bis heute sind die Ära des maschinellen Lernens und der Big Data. Die Rechenleistung und das Datenvolumen von Computern haben explosionsartig zugenommen, was den Fortschritt der künstlichen Intelligenz in der Verarbeitung natürlicher Sprache (NLP), der Bilderkennung und -optimierung sowie beim autonomen Fahren weiter vorantreibt. Allerdings erfordern Modelle künstlicher Intelligenz für das Training eine große Menge gekennzeichneter Daten, was enorme Rechenressourcen und hohe Betriebs- und Wartungskosten erfordert. Beispielsweise erfordern groß angelegte Modelle zur Verarbeitung natürlicher Sprache (NLP) Hochleistungsserver, die zig Milliarden Gleitkommaoperationen (GigaFLOPs) ausführen müssen, um einen einzigen Eingabeparameter zu verarbeiten, wofür groß angelegte GPU-Cluster oder dedizierte KI-Chips erforderlich sind. Die Kosten für eine einzelne Schulung werden auf bis zu 100 Millionen Yuan geschätzt und es dauert mehrere Tage bis Monate, bis die Schulung abgeschlossen ist. Es ist nicht schwer zu erkennen, dass jeder Durchbruch in der Technologie der künstlichen Intelligenz vom explosionsartigen Wachstum der Computerrechenleistung profitiert hat , beispielsweise von der Entwicklung ultragroßer integrierter Schaltkreise und der kontinuierlichen Optimierung von Algorithmen. Gleichzeitig wird jeder Rückgang der Spitzenforschung im Bereich der künstlichen Intelligenz durch die Rechenressourcen der Computer sowie die hohen Betriebs- und Wartungskosten begrenzt. Wissenschaftler gehen davon aus, dass sich die Rechenleistung bestehender klassischer Computer unter optimistischen Umständen alle zwei Jahre verdoppeln wird. Allerdings verdoppelt sich die Menge der großen Modelldaten, die zum Trainieren künstlicher Intelligenz erforderlich sind, etwa jedes Quartal. Um den Anforderungen der traditionellen Forschung zur künstlichen Intelligenz gerecht zu werden, ist es daher notwendig, effizientere Rechenmethoden zu finden, um bestehende klassische Computer zu ersetzen. Quantencomputing + künstliche Intelligenz: eine neue Kombination, die Ihren Horizont erweitert Im Gegensatz zur künstlichen Intelligenz, die sich in den letzten 70 Jahren nur schleppend entwickelt hat, hat das Quantencomputing als aufsteigender Stern in nur etwas mehr als 30 Jahren große Fortschritte gemacht. Die traditionelle Technologie der künstlichen Intelligenz basiert auf den algorithmischen Operationen klassischer Computer, die Berechnungen im Binärformat 0 oder 1 durchführen. Die Quanten-künstliche Intelligenz basiert auf den Regeln der parallelen Berechnung von Quantencomputern und ihre grundlegende Recheneinheit ist das Quantenbit, das sich gleichzeitig in einer Überlagerung der Zustände 0 und 1 befinden kann . Diagramm Quantencomputing + künstliche Intelligenz (Fotoquelle: Veer Gallery) Das „Quant“ ist hierbei kein reales Teilchen, sondern eine extrem kleine physikalische Einheit, die wie ein Mini-Baustein in der mikroskopischen Welt wirkt. In der realen Welt sind wir daran gewöhnt, dass sich Objekte in bestimmten Zuständen befinden, beispielsweise ist ein Tisch fest und ein Apfel rot. Aber in der Quantenwelt können sich Objekte gleichzeitig in mehreren Zuständen befinden. Schematische Darstellung des Gedankenexperiments „Schrödingers Katze“ (Fotoquelle: Veer Gallery) Mit anderen Worten: Ein Quantencomputer benötigt nur N Quantenbits, um 2^N Daten gleichzeitig in einem klassischen Computer zu verarbeiten, was die Rechenleistung der leistungsstärksten Supercomputer von heute bei weitem übertrifft. Daher hat die Geburt des Quantencomputers den Informatikern eine neue Denkweise eröffnet, die darin besteht, das enorme Potenzial der Parallelverarbeitung zu nutzen, um bestimmte algorithmische Probleme in der Forschung zur künstlichen Intelligenz zu lösen. Warum also können Quantencomputing und künstliche Intelligenz größere Vorteile bringen? Wir können dies anhand einer Geschichte über das „Roulette-Spiel“ veranschaulichen. Angenommen, in einem Vergnügungspark gibt es viele Rouletteräder und jedes Rad hat 38 Zahlen. Im Idealfall sollte die Wahrscheinlichkeit, jede Zahl auszuwählen, nachdem das Rouletterad aufhört, sich zu drehen, 1/38 betragen. Tatsächlich sind manche Rouletteräder jedoch nicht perfekt symmetrisch, was bedeutet, dass bestimmte Zahlen mit größerer Wahrscheinlichkeit erscheinen als andere. Spieler können diese nicht perfekt symmetrischen Rouletteräder anhand einer großen Anzahl statistischer Ergebnisse finden und dann auf verschiedene Zahlen auf den nicht perfekt symmetrischen Rouletterädern setzen, um ihre Gewinnchancen zu erhöhen. Roulette-Spin-Spiel (Fotoquelle: Veer Gallery) Dies ist jedoch keine leichte Aufgabe. Dies liegt daran, dass das Ermitteln der Tendenz bestimmter Zahlen auf verschiedenen Rouletterädern viele Versuche und eine komplexe Datenverarbeitung erfordert. Daher müssen die Spieler eine große Anzahl von Assistenten anheuern, die vor jedem Rouletterad Wache stehen und ständig die entsprechende Wahrscheinlichkeit jeder Zahl auf dem Rouletterad zählen. Dieser Prozess kostet jedoch nicht nur viel Zeit und Energie der Spieler, sondern erfordert auch zusätzliche finanzielle Kosten, um eine ausreichende Anzahl von Assistenten einzustellen. Daher handelt es sich hierbei um eine äußerst kostspielige Suche. Die obige „Roulette-Spiel“-Geschichte ähnelt dem Prozess der traditionellen künstlichen Intelligenz, bestimmte Suchprobleme zu lösen. Der Unterschied besteht darin, dass der „Spieler“ hier der Benutzer selbst ist, der „angestellte Assistent“ eher ein Rechenserver in klassischen Computern ist und das „Roulette“ das Suchproblem ist, das gelöst werden muss. Mit anderen Worten: Traditionelle künstliche Intelligenz muss mehr Rechenserver in klassischen Computern „mieten“ und zusätzliche „Energiekosten“ und „Zeitkosten“ zahlen, um die entsprechenden Rechenaufgaben zu erledigen. Für die Quanten-Künstliche Intelligenz ist dieses Problem der parallelen Multitasking-Verarbeitung viel effizienter. Dank der extrem starken parallelen Rechenkapazitäten des Quantencomputings können „Spieler“, die über die nötige Begabung für künstliche Quantenintelligenz verfügen, jedes „Rouletterad“ gleichzeitig unabhängig überwachen und verfolgen und die entsprechenden Daten schnell abrufen und verarbeiten. Mit anderen Worten: Quanten-Künstliche Intelligenz kann mehrere Möglichkeiten gleichzeitig erkunden und dadurch schneller die optimale Lösung finden, wodurch die „Spieler“ im Spiel ihren Vorteil behalten. Abschluss Seit seiner Einführung hat das Konzept der Quanten-Künstlichen Intelligenz die Aufmerksamkeit unzähliger Wissenschaftler auf sich gezogen. Tatsächlich hat es in vielen Bereichen die Rolle von 1+1>2 gespielt. Beschleunigung der Arzneimittelforschung und -entwicklung, effiziente Optimierung von Logistik und Transport, Vorhersage von Finanzmärkten … unzählige Anwendungsszenarien und unbegrenzter Anwendungswert. In welchen Aspekten also bereichert Quanten-Künstliche Intelligenz das menschliche Leben? Wie übt es seine Kraft aus? Die Antwort verraten wir Ihnen im nächsten Artikel. |
<<: Glück „quantifizieren“: KI entschlüsselt den Dopamin-Code
Im Jahr 2014 geriet die chinesische Fernsehindustr...
Am 23. September hielt Meizu im National Conventi...
Da Yoga eine in der Öffentlichkeit weithin nachge...
Vorwort: In den letzten zwei Tagen haben Sina Ent...
Der Reporter erfuhr am 16. April vom China Manned...
Der diesjährige „Workplace Health Status Report –...
Stretching ist eine sehr häufige Aktivität in uns...
Der Grund, warum die meisten Menschen nicht zuneh...
Freunde, die „Douluo Dalu“ gesehen haben, kennen ...
Der Musculus biceps brachii befindet sich an der ...
Yoga ist heute ein sehr trendiger Sport. Viele Me...
Ausländische Medien berichteten, dass Panasonic, ...
Kürzlich wurde die Bekleidungsmarke „Canada Goose...
Eine Mahlzeit hungrig, eine Mahlzeit satt; Eine N...
Im Herbst und Winter ist es relativ kalt und viel...